
!pip install geopy

Collecting geopy
  Downloading geopy-2.3.0-py3-none-any.whl (119 kB)
     |████████████████████████████████| 119 kB 1.8 MB/s eta 0:00:01
Collecting geographiclib<3,>=1.52
  Downloading geographiclib-2.0-py3-none-any.whl (40 kB)
     |████████████████████████████████| 40 kB 2.7 MB/s  eta 0:00:01
Installing collected packages: geographiclib, geopy
Successfully installed geographiclib-2.0 geopy-2.3.0


# загружаем библиотеки
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from plotly import graph_objects as go
import plotly.express as px
from folium import Map, Choropleth, Marker
from folium.plugins import MarkerCluster
from geopy.distance import distance


# загружаем данные
try:
    places = pd.read_csv('/datasets/moscow_places.csv')
except FileNotFoundError:
    display('Такого файла не существует!')


places.sample(10)


places.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB


places.describe(include='all')


places.hist(figsize=(15, 15));


places['name'].unique()

array(['WoWфли', 'Четыре комнаты', 'Хазри', ..., 'Миславнес', 'Самовар',
       'Kebab Time'], dtype=object)


# узнаем количество уникальных значений
places['name'].nunique()

5614


pd.set_option('display.max_rows', None)


unique_values = places['name'].value_counts().to_frame()


unique_values


unique_values = unique_values.reset_index().sort_values(by=['index'])
unique_values


# словарь с неявными дубликатами
implicit_duplicates = {
    "Домино'с": "Домино'с Пицца",
    "Доминос пицца": "Домино'с Пицца",
    "Яндекс.Лавка": "Яндекс Лавка",
    "Prime cafe": "Prime",
    "Кофе-Порт": "КОФЕПОРТ",
    "Cofe Fest": "CofeFest",
    "Drive Cafe": "Drive Café"
}

# заменим значения в столбце "name"
places['name'] = places['name'].replace(implicit_duplicates)


places = places[(places['name'] != '55.709201, 37.392257')]


places['name'] = places['name'].str.lower()


# check
places['name'].nunique()

5504


# check
places['name'].head().to_frame()


places['category'].unique()

array(['кафе', 'ресторан', 'кофейня', 'пиццерия', 'бар,паб',
       'быстрое питание', 'булочная', 'столовая'], dtype=object)


places['district'].unique()

array(['Северный административный округ',
       'Северо-Восточный административный округ',
       'Северо-Западный административный округ',
       'Западный административный округ',
       'Центральный административный округ',
       'Восточный административный округ',
       'Юго-Восточный административный округ',
       'Южный административный округ',
       'Юго-Западный административный округ'], dtype=object)


places['price'].unique()

array([nan, 'выше среднего', 'средние', 'высокие', 'низкие'], dtype=object)


places.isna().sum()

name                    0
category                0
address                 0
district                0
hours                 536
lat                     0
lng                     0
rating                  0
price                5090
avg_bill             4589
middle_avg_bill      5256
middle_coffee_cup    7870
chain                   0
seats                3610
dtype: int64


# пропущенные значения бары
def pass_value_barh(data):
    missing_values = data.isna().sum()
    if missing_values.sum() == 0:
        print('Пропущенных значений не найдено')
    else:
        fig, ax = plt.subplots(figsize=(19, 6))
        ax.set_title('Количество пропущенных значений в столбцах' + "\n", fontsize = 20, color = 'Black')
        ax.set_xlabel('Количество пропусков', fontsize = 15)
        ax.set_ylabel('Наименование столбца', fontsize = 15)
        missing_values[missing_values > 0].sort_values().plot(kind='barh', ax=ax, fontsize=15, legend=False, rot=0)
        plt.show()


pass_value_barh(places)


# посмотрим на минимальные и максимальные значения
(
    places[['middle_avg_bill', 'middle_coffee_cup', 'seats']]
    .apply(['count', 'min', 'max'])
    .style.format("{:,.2f}")
)


# посмотрим на перцентили
(
    places[['middle_avg_bill', 'middle_coffee_cup', 'seats']]
    .quantile([0.01, .5, .90, .99]) 
    .style.format("{:,.2f}")
)


places.middle_avg_bill.hist(bins = 150, figsize = (15,3));


places.middle_avg_bill.hist(bins = 150, figsize = (15,3), range=(0, 150));


places.middle_avg_bill.hist(bins = 150, figsize = (15,3), range=(5000, 35000));


# удалим редкие значения в столбце 'middle_avg_bill'
places = places[~(places['middle_avg_bill'] > 5000) & ~(places['middle_avg_bill'] < 150)]


# check
places.middle_avg_bill.hist(bins = 150, figsize = (15,3), range=(5000, 35000));


# check
(
     places[['middle_coffee_cup']]
    .apply (['count', 'min', 'max'])   
    .style.format("{:,.2f}")
)


places.middle_coffee_cup.hist(bins = 150, figsize = (15,3));


places.middle_coffee_cup.hist(bins = 150, figsize = (15,3), range=(300, 1600));


# удалим редкие значения в столбце 'middle_coffee_cup'
places = places[~(places['middle_coffee_cup'] > 400)]


# check
places.middle_coffee_cup.hist(bins = 150, figsize = (15,3), range=(300, 1600));


# check
(
     places[['seats']]
    .apply (['count', 'min', 'max'])   
    .style.format("{:,.2f}")
)


places.seats.hist(bins = 150, figsize = (15,3));


places.seats.hist(bins = 150, figsize = (15,3), range=(0, 10));


places.seats.hist(bins = 150, figsize = (15,3), range=(700, 1300));


# удалим редкие значения в столбце 'seats'
places = places[~(places['seats'] == 0) & ~(places['seats'] > 700)]


# check
places.seats.hist(bins = 150, figsize = (15,3), range=(0, 10));


places['address'].sample(5).to_frame()


places['street'] = places['address'].str.split(',').str[1].str.strip()


places.sample(2)


# создадим функцию 'schedule'
def schedule (row):
    try:
        if 'ежедневно' in row and 'круглосуточно' in row:
                return True
        else:
            return False
    except:
        return False


places['is_24/7'] = places['hours'].apply(schedule)


places.sample(5)


cafe_categories = (places
                   .groupby('category')
                   .agg(count = ('category', 'count'))
                   .sort_values(by='count', ascending=False)
                  )
cafe_categories


print('Общее количество заведений:', cafe_categories['count'].sum())

Общее количество заведений: 8204


fig = plt.figure()

cafe_categories = cafe_categories.reset_index()

sns.barplot(data=cafe_categories, x='category', y='count');

plt.minorticks_on()
plt.grid(which='minor', color='#aaa', ls=':')

plt.title('Распределение количества заведений по категориям', fontsize = 15, color = 'k')
plt.xlabel('Категории заведений', fontsize = 12);
plt.ylabel('Количество заведений, шт', fontsize = 12);

fig.set_figwidth(15)   
fig.set_figheight(6) 

plt.show()


# строим диаграмму с сегментами
fig = go.Figure(data=[go.Pie(labels=cafe_categories['category'], # указываем значения, которые появятся на метках сегментов
                             values=cafe_categories['count'], # указываем данные, которые отобразятся на графике
                             pull = [0.1, 0])]) # добавляем аргумент, который выделит сегмент-лидер на графике

fig.update_layout(title='Доля заведений по категориям', # указываем заголовок графика
                  width=800, # указываем размеры графика
                  height=600,
                  annotations=[dict(x=1.25, # вручную настраиваем аннотацию легенды
                                    y=1.05,
                                    text='Категории заведений',
                                    showarrow=False)])
fig.show() # выводим график


seats_category = places[['category', 'seats']]
seats_category.sample(5)


mean_seats_category = (seats_category
                       .groupby('category')
                       .agg(count = ('seats', 'mean'))
                       .sort_values(by='count', ascending=False)
                       .reset_index()
                       .round(0))
mean_seats_category


# визуализируем данные
fig = px.bar(mean_seats_category, 
             x='category', 
             y='count', 
             text='count')

fig.update_xaxes(tickangle=45)

# оформляем график
fig.update_layout(title='Среднее количество посадочных мест для каждой категории',
                  xaxis_title='Категории заведений',
                  yaxis_title='Количество посадочных мест')

fig.update_traces(textposition='auto')

fig.show()


# устанавливаем размер фируры
plt.figure(figsize=(20, 18))

# создаем подграфики с 2 строками, 1 столбцом и начальным графиком 1
plt.subplot(2, 1, 1)
sns.boxplot(x = seats_category['category'], y = seats_category['seats']);

plt.minorticks_on()
plt.grid(which='minor', color='#aaa', ls=':')

plt.xlabel('Категории заведений', fontsize = 14)
plt.ylabel("Количество посадочных мест", fontsize = 14)
plt.title("Распределение количества посадочных мест по категориям заведений с полными данными", fontsize = 16);

# создаем подграфик 2
plt.subplot(2, 1, 2)
sns.boxplot(x = seats_category['category'], y = seats_category['seats']);

plt.minorticks_on()
plt.grid(which='minor', color='#aaa', ls=':')

plt.xlabel('Категории заведений', fontsize = 14)
plt.ylabel("Количество посадочных мест", fontsize = 14)
plt.ylim(-10, 320);
plt.title("Распределение количества посадочных мест по категориям заведений с ограниченными данными", fontsize = 16);
plt.show()


places['chain'].value_counts().to_frame()


# строим диаграмму с сегментами
fig = go.Figure(data=[go.Pie(labels=['Несетевые', 'Сетевые'], # указываем значения, которые появятся на метках сегментов
                             values=places['chain'].value_counts(), # указываем данные, которые отобразятся на графике
                             pull = [0.1, 0])]) # добавляем аргумент, который выделит сегмент-лидер на графике

fig.update_layout(title='Cоотношение сетевых и несетевых заведений', # указываем заголовок графика
                  width=700, # указываем размеры графика
                  height=500,
                  annotations=[dict(x=1.25, # вручную настраиваем аннотацию легенды
                                    y=1.05,
                                    text='Категории заведений',
                                    showarrow=False)])
fig.show()


network_categories = (places
                      .query('chain == 1')
                      .groupby(['category'])
                      .agg(count = ('category', 'count'))
                     )

# создадим столбец 'total' которые будет содержать общее количество заведений (сетевых и несетевых)
network_categories['total'] = places.groupby(['category']).agg(total = ('category', 'count'))

# создадим столбец 'percent' - доля сетевых заведений
network_categories['percent'] = (network_categories['count'] * 100 / network_categories['total']).round(2)

network_categories.sort_values(by='percent', ascending=False)


# строим столбчатую диаграмму 
fig = px.bar(network_categories.reset_index().sort_values(by='percent', ascending=False), # загружаем данные и заново их сортируем
             x='percent', # указываем столбец с данными для оси X
             y='category', # указываем столбец с данными для оси Y
             text='percent', # добавляем аргумент, который отобразит текст с информацией
             hover_data=['count'])

# оформляем график
fig.update_layout(title='Доля сетевых заведений в разбивке по категориям',
                  xaxis_title='Доля сетевых заведений, %',
                  yaxis_title='Наименование категории')

fig.show()


top_15 = (places
          .query('chain == 1')
          .groupby(['name', 'category'])
          .agg(count = ('name', 'count'))
          .sort_values(by='count', ascending=False)
          .head(15)
         )
top_15


# визуализируем данные
fig = px.bar(top_15.reset_index(), 
             x='name', 
             y='count', 
             color='category',
             text='count')

fig.update_xaxes(tickangle=45)

# оформляем график
fig.update_layout(title='ТОП-15 популярных сетевых заведений в Москве',
                  xaxis_title='Наименование заведений',
                  yaxis_title='Количество заведений',
                  width=1000, 
                  height=600)

fig.update_traces(textposition='auto')

fig.show()


# узнаем какие административные районы Москвы присутствуют в датасете
district_counts = (places['district']
                   .value_counts()
                   .to_frame()
                   .reset_index())

district_counts.columns = ['district', 'total_count']
district_counts.sort_values(by='total_count', ascending=False)


district_category = (places
                     .groupby(['district', 'category'])
                     .agg(count = ('name', 'count')))
district_category


district_category = district_category.reset_index()

# объединим таблицу "district_counts" и "district_category"
district_category_share = pd.merge(district_category, district_counts, on='district')

# добавим столбец 'share', который будет содержать долю категорий для каждого района
district_category_share['share'] = (district_category_share['count'] * 100 / district_category_share['total_count']).round(2)

district_category_share


# визуализируем данные таблицы "district_category"
fig = px.bar(district_category_share.sort_values(by='total_count'), 
             x='count', 
             y='district', 
             color='category',
             hover_data=['count', 'share', 'total_count'])

# оформляем график
fig.update_layout(title='Распределение заведений каждой категории по районам Москвы',
                  xaxis_title='Количество заведений',
                  yaxis_title='Административные районы',
                  width=1200, 
                  height=500)


fig.show()


rating_category = places[['category', 'rating']]
rating_category.sample(5)


# визуализируем данные таблицы "rating_category"
fig = px.box(rating_category, x="category", y="rating", color='category')

# оформляем график
fig.update_layout(title='Распределение средних рейтингов по категориям заведений',
                  xaxis_title='Категории заведений',
                  yaxis_title='Средний рейтинг заведения')

fig.show()


rating_district = (places
                   .groupby('district', as_index=False)['rating']
                   .agg('mean')
                   .sort_values(by='rating', ascending=False)
                   .round(1))
rating_district


# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'

# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
map_Moscow = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=rating_district,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='PuRd',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам',
).add_to(map_Moscow)

# выводим карту
map_Moscow


# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
places.apply(create_clusters, axis=1)

# выводим карту
m


top_15_street = (places
                 .groupby(['street'])
                 .agg(total = ('name', 'count'))
                 .sort_values(by='total', ascending=False)
                 .reset_index()
                 .head(15))

top_15_street


# создадим таблицу "street_category", которая будет содержать адрес, категорию заведения и их количество
street_category = (places
                   .groupby(['street', 'category'])
                   .agg(count = ('category', 'count'))
                   .reset_index())

street_category.head()


# объединим таблицу "top_15_street" и "street_category" по столбцу 'street'
top_15_street_category = pd.merge(top_15_street, street_category, on='street')

top_15_street_category


# добавим столбец 'share', который будет содержать долю категорий заведений для каждой улицы
top_15_street_category['share'] = \
(top_15_street_category['count'] * 100 / top_15_street_category['total']).round(0)


# визуализируем данные таблицы "district_category"
fig = px.bar(top_15_street_category.sort_values(by='total', ascending=False), 
             x='street', 
             y='count', 
             color='category',
             hover_data=['count', 'share', 'total'],
#             text='total',
             barmode='relative')

# оформляем график
fig.update_layout(title='Распределение заведений каждой категории по ТОП-15 улицам Москвы',
                  xaxis_title='Наименование улицы',
                  yaxis_title='Количество заведений',
                  width=1000, 
                  height=600)

# fig.update_traces(textposition='inside')

fig.show()


# создадим переменную "place" в которой сохраним столбцы с информацией, которую мы хотим узнать
place = places[['name', 'category', 'district', 'hours', 'seats', 'rating', 'price', 'chain', 'street']]

# в переменной "one_place" сохраним улицы, на которых находится только один объект общепита
one_place = (place
             .groupby(['street'])
             .agg(total = ('name', 'count'))
             .reset_index()
             .query('total == 1')
             .sort_values(by='street'))

# объединим таблицы "place" и "one_place" по столбцу 'street'
street_one_place = pd.merge(one_place, place, on='street')

# обновим индексы в таблице "street_one_place"
street_one_place = street_one_place.reset_index(drop=True)

street_one_place


# узнаем общую информацию об этих заведениях
street_one_place.describe(include='all')


street_one_cafe_categories = (street_one_place
                              .groupby('category')
                              .agg(count = ('category', 'count'))
                              .sort_values(by='count', ascending=False)
                              .reset_index())
street_one_cafe_categories


# строим диаграмму с сегментами
fig = go.Figure(data=[go.Pie(labels=street_one_cafe_categories['category'], 
                             values=street_one_cafe_categories['count'], 
                             pull = [0.1, 0])]) 

fig.update_layout(title='Число заведений по категориям для улиц с одним заведением',
                  width=800, 
                  height=600,
                  annotations=[dict(x=1.25, 
                                    y=1.05,
                                    text='Категории заведений',
                                    showarrow=False)])
fig.show() # выводим график


mean_seats_category_street_one_place = (street_one_place
                                        .groupby('category')
                                        .agg(count = ('seats', 'mean'))
                                        .sort_values(by='count', ascending=False)
                                        .reset_index()
                                        .round(0))
mean_seats_category_street_one_place


# визуализируем данные
fig = px.bar(mean_seats_category_street_one_place, 
             x='category', 
             y='count', 
             text='count')

fig.update_xaxes(tickangle=45)

# оформляем график
fig.update_layout(title='Среднее количество посадочных мест каждой категории для улиц с одним заведением',
                  xaxis_title='Категории заведений',
                  yaxis_title='Количество посадочных мест')

fig.update_traces(textposition='auto')

fig.show()


street_one_place['chain'].value_counts().to_frame()


# строим диаграмму с сегментами
fig = go.Figure(data=[go.Pie(labels=['Несетевые', 'Сетевые'], 
                             values=street_one_place['chain'].value_counts(), 
                             pull = [0.1, 0])])

fig.update_layout(title='Cоотношение сетевых и несетевых заведений для улиц с одним объектом', 
                  width=700,
                  height=500,
                  annotations=[dict(x=1.25, 
                                    y=1.05,
                                    text='Категории заведений',
                                    showarrow=False)])
fig.show()


middle_avg_bill_district = (places
                            .groupby('district', as_index=False)['middle_avg_bill']
                            .agg('median')
                            .sort_values(by='middle_avg_bill', ascending=False)
                            .round(1))
middle_avg_bill_district


# создаём карту Москвы
map_Moscow_bill = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=middle_avg_bill_district,
    columns=['district', 'middle_avg_bill'],
    key_on='feature.name',
    fill_color='Blues',
    fill_opacity=0.8,
    legend_name='Средний чек заведений по районам',
).add_to(map_Moscow_bill)

# выводим карту
map_Moscow_bill


# координаты центра Москвы
city_center = (55.751244, 37.618423)

# вычисляем расстояние от каждой точки до центра города
places['distance_center'] = \
places.apply(lambda row: distance(city_center, (row['lat'], row['lng'])).km, axis=1).round(0)

places.head()


middle_avg_bill_center = (places
                          .groupby('distance_center', as_index=False)['middle_avg_bill']
                          .agg('mean'))

middle_avg_bill_center.head()


fig = px.line(middle_avg_bill_center, 
                 x='distance_center', 
                 y='middle_avg_bill')  
                 
# оформляем график
fig.update_layout(title='Зависимость среднего чека заведения от расстояния до центра',
                   xaxis_title='Расстояние до центра, км',
                   yaxis_title='Средний чек, км')

fig.show()


middle_avg_bill_center['distance_center'].corr(middle_avg_bill_center['middle_avg_bill'])

-0.8060732680069185


middle_places_center = (places
                        .groupby('distance_center', as_index=False)['name']
                        .agg('count'))

fig = px.line(middle_places_center, 
              x='distance_center', 
              y='name')  
                 
# оформляем график
fig.update_layout(title='Зависимость количества заведений от расстояния до центра',
                   xaxis_title='Растояние до центра, км',
                   yaxis_title='Количество заведений')

fig.show()


coffee_house = places.query('category == "кофейня"').reset_index(drop=True)
coffee_house.tail(5)


# узнаем количество кофеен
print('Количество кофеен в нашем датасете:', len(coffee_house))

Количество кофеен в нашем датасете: 1377


places['category_name'] = 'другая категория'
places.loc[places['category'] == 'кофейня', 'category_name'] = 'кофейня'

places.sample(5)


share_coffee_house = places['category_name'].value_counts().to_frame().reset_index()
share_coffee_house


# строим диаграмму с сегментами для таблицы "share_coffee_house"
fig = go.Figure(data=[go.Pie(labels=share_coffee_house['index'],
                             values=share_coffee_house['category_name'],
                             pull = [0.1, 0])])
fig.update_layout(title='Соотношение кофеен и других категорий общественного питания', 
                  width=700, 
                  height=500,
                  annotations=[dict(x=1.25, 
                                    y=1.05,
                                    text='Категория заведения',
                                    showarrow=False)])
fig.show()


district_coffee_house = (coffee_house
                         .groupby('district', as_index=False)['name']
                         .agg('count')
                         .sort_values(by='name')
                        )
district_coffee_house.columns = ['district', 'count']

district_coffee_house['share'] = \
(district_coffee_house['count'] * 100 / district_coffee_house['count'].sum()).round(1)
district_coffee_house


# визуализируем данные таблицы "district_coffee_house"
fig = px.bar(district_coffee_house, 
             x='count', 
             y='district', 
             text='count',
             hover_data=['share'])

# оформляем график
fig.update_layout(title='Распределение кофеен по районам Москвы',
                  xaxis_title='Количество заведений',
                  yaxis_title='Административные районы')

fig.show()


distance_coffee_house = (coffee_house
                        .groupby('distance_center', as_index=False)['name']
                        .agg('count'))

distance_coffee_house.columns = ['distance_center', 'count']

distance_coffee_house.head()


# визуализируем данные таблицы "distance_coffee_house"
fig = px.line(distance_coffee_house, 
              x='distance_center', 
              y='count')  
                 
# оформляем график
fig.update_layout(title='Зависимость количества кофеен от расстояния до центра',
                   xaxis_title='Расстояние до центра, км',
                   yaxis_title='Количество заведений')

fig.show()


location_coffee_house = (coffee_house
                         .query('district == "Северо-Западный административный округ" and \
                         distance_center == 10')
                        )

print('Количество кофеен в Северо-Западном административном округе в 10 километрах от центра города:', len(location_coffee_house))

Количество кофеен в Северо-Западном административном округе в 10 километрах от центра города: 8


coffee_house.head()


day_night_coffee_house = coffee_house.query('`is_24/7` == True')
print('Количество кофеен, которые работают круглосуточно:', len(day_night_coffee_house))

Количество кофеен, которые работают круглосуточно: 56


coffee_house['is_24/7'].value_counts().to_frame()


# строим диаграмму с сегментами
fig = go.Figure(data=[go.Pie(labels=['С ограниченным режимом работы', 'Круглосуточно'], # указываем значения, которые появятся на метках сегментов
                             values=coffee_house['is_24/7'].value_counts(), # указываем данные, которые отобразятся на графике
                             pull = [0.1, 0])])
fig.update_layout(title='Соотношение кофеен с круглосуточным и ограниченным режимом работы', # указываем заголовок графика
                  width=700, # указываем размеры графика
                  height=500,
                  annotations=[dict(x=1.25, # вручную настраиваем аннотацию легенды
                                    y=1.05,
                                    text='Режим работы',
                                    showarrow=False)])
fig.show()


rating_coffee_house = (coffee_house
                       .groupby('district', as_index=False)['rating']
                       .agg('mean')
                       .round(2)
                       .sort_values(by='rating', ascending=False))
rating_coffee_house


# создаём карту Москвы
map_rating_coffee_house = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=rating_coffee_house,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGnBu',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам',
).add_to(map_rating_coffee_house)

# выводим карту
map_rating_coffee_house


distance_rating_coffee_house = (coffee_house
                                 .groupby('distance_center', as_index=False)['rating']
                                 .agg('mean')
                                 .round(2)
                               )

distance_rating_coffee_house.head()


# визуализируем данные таблицы "distance_rating_coffee_house"
fig = px.line(distance_rating_coffee_house, 
              x='distance_center', 
              y='rating')  
                 
# оформляем график
fig.update_layout(title='Зависимость значений рейтинга от расстояния до центра',
                   xaxis_title='Растояние до центра, км',
                   yaxis_title='Значение рейтинга')

fig.show()


distance_rating_coffee_house['distance_center'].corr(distance_rating_coffee_house['rating'])

-0.39730535854664295


# создаём карту Москвы
m_coffee_house = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m_coffee_house)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
coffee_house.apply(create_clusters, axis=1)

# выводим карту
m_coffee_house


cup_cost_coffee_house = (coffee_house
                         .groupby('district', as_index=False)['middle_coffee_cup']
                         .agg('mean')
                         .round(0)
                         .sort_values(by='middle_coffee_cup', ascending=False))
cup_cost_coffee_house


# визуализируем данные таблицы "cup_cost_coffee_house"
fig = px.bar(cup_cost_coffee_house.sort_values(by='middle_coffee_cup'), 
             x='middle_coffee_cup', 
             y='district', 
             text='middle_coffee_cup')

# оформляем график
fig.update_layout(title='Средняя стоимость чашки капучино в зависимости от района Москвы',
                  xaxis_title='Средняя стоимость чашки капучино, руб',
                  yaxis_title='Административные районы')

fig.show()


distance_cost_cup_coffee_house = (coffee_house
                                  .groupby('distance_center', as_index=False)['middle_coffee_cup']
                                  .agg('mean')
                                  .round(0)
                               )

distance_cost_cup_coffee_house.head()


# визуализируем данные таблицы "distance_cost_cup_coffee_house"
fig = px.line(distance_cost_cup_coffee_house, 
              x='distance_center', 
              y='middle_coffee_cup')  
                 
# оформляем график
fig.update_layout(title='Зависимость стоимости чашки капучино от расстояния до центра',
                   xaxis_title='Расстояние до центра, км',
                   yaxis_title='Средняя стоимость чашки капучино, руб')

fig.show()


distance_cost_cup_coffee_house['distance_center'].corr(distance_cost_cup_coffee_house['middle_coffee_cup'])

-0.19662863337372927


print('Средняя стоимость чашки капучино:', coffee_house['middle_coffee_cup'].mean().round(0))

Средняя стоимость чашки капучино: 173.0

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6454	Шоти	кафе	Москва, Большая Косинская улица, 27, стр. 9	Восточный административный округ	ежедневно, 09:00–22:00	55.717469	37.857870	3.5	NaN	NaN	NaN	NaN	1	NaN
466	Шах-Даг	бар,паб	Москва, Талдомская улица, 13	Северный административный округ	ежедневно, 12:00–02:00	55.873123	37.520527	4.3	выше среднего	Средний счёт:от 1500 ₽	1500.0	NaN	0	105.0
2505	Планета вкуса	ресторан	Москва, улица Сущёвский Вал, 64	Центральный административный округ	пн-пт 10:00–18:00	55.791752	37.626567	3.4	NaN	NaN	NaN	NaN	0	NaN
5951	Кинто	кафе	Москва, улица Кржижановского, 15, корп. 1	Юго-Западный административный округ	пн-пт 11:00–23:00; сб,вс 12:00–00:00	55.680349	37.570250	4.5	средние	Средний счёт:300–400 ₽	350.0	NaN	1	100.0
8340	Семейный Очаг	ресторан	Москва, Шоссейная улица, 13	Юго-Восточный административный округ	ежедневно, 12:00–00:00	55.688104	37.725197	4.3	средние	Средний счёт:до 1000 ₽	1000.0	NaN	1	98.0
3637	Лес	ресторан	Москва, Тверской бульвар, 9	Центральный административный округ	ежедневно, 10:00–00:00	55.759309	37.599161	4.6	высокие	Средний счёт:2000–2500 ₽	2250.0	NaN	1	50.0
4461	J'pan	кафе	Москва, Трубная улица, 21	Центральный административный округ	ежедневно, 10:00–23:00	55.770514	37.624847	4.7	средние	Средний счёт:800–1200 ₽	1000.0	NaN	1	40.0
5406	Ресторан Паладин	ресторан	Москва, Новокосинская улица, 11, корп. 2	Восточный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–01:00; вс 12:00...	55.734335	37.852914	4.2	NaN	NaN	NaN	NaN	0	190.0
41	Крошка Картошка	быстрое питание	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878515	37.479308	4.1	NaN	NaN	NaN	NaN	1	NaN
1016	Фуд-корт Техноград	столовая	Москва, проспект Мира, 119, стр. 318	Северо-Восточный административный округ	пн-чт 10:00–19:00; пт-вс 10:00–21:00	55.834603	37.633464	4.2	NaN	NaN	NaN	NaN	0	NaN

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
count	8406	8406	8406	8406	7870	8406.000000	8406.000000	8406.000000	3315	3816	3149.000000	535.000000	8406.000000	4795.000000
unique	5614	8	5753	9	1307	NaN	NaN	NaN	4	897	NaN	NaN	NaN	NaN
top	Кафе	кафе	Москва, проспект Вернадского, 86В	Центральный административный округ	ежедневно, 10:00–22:00	NaN	NaN	NaN	средние	Средний счёт:1000–1500 ₽	NaN	NaN	NaN	NaN
freq	189	2378	28	2242	759	NaN	NaN	NaN	2117	241	NaN	NaN	NaN	NaN
mean	NaN	NaN	NaN	NaN	NaN	55.750109	37.608570	4.229895	NaN	NaN	958.053668	174.721495	0.381275	108.421689
std	NaN	NaN	NaN	NaN	NaN	0.069658	0.098597	0.470348	NaN	NaN	1009.732845	88.951103	0.485729	122.833396
min	NaN	NaN	NaN	NaN	NaN	55.573942	37.355651	1.000000	NaN	NaN	0.000000	60.000000	0.000000	0.000000
25%	NaN	NaN	NaN	NaN	NaN	55.705155	37.538583	4.100000	NaN	NaN	375.000000	124.500000	0.000000	40.000000
50%	NaN	NaN	NaN	NaN	NaN	55.753425	37.605246	4.300000	NaN	NaN	750.000000	169.000000	0.000000	75.000000
75%	NaN	NaN	NaN	NaN	NaN	55.795041	37.664792	4.400000	NaN	NaN	1250.000000	225.000000	1.000000	140.000000
max	NaN	NaN	NaN	NaN	NaN	55.928943	37.874466	5.000000	NaN	NaN	35000.000000	1568.000000	1.000000	1288.000000

	name
0	wowфли
1	четыре комнаты
2	хазри
3	dormouse coffee shop
4	иль марко

	middle_avg_bill	middle_coffee_cup	seats
count	3,149.00	535.00	4,795.00
min	0.00	60.00	0.00
max	35,000.00	1,568.00	1,288.00

	middle_avg_bill	middle_coffee_cup	seats
0.01	140.00	60.00	0.00
0.5	750.00	169.00	75.00
0.9	2,000.00	256.00	240.00
0.99	3,750.00	309.90	625.00

Обзор данных¶

Предобработка данных¶

Обработка дубликатов¶

Удаление пропусков¶

Обработка аномальных значений¶

Создание новых столбцов¶

Исследовательский анализ данных¶

Категории заведений¶

Количество посадочных мест по категориям¶

Cоотношение сетевых и несетевых заведений¶

Категории заведений, которые чаще всего являются сетевыми¶

ТОП-15 популярных сетей в Москве¶

Количество заведений каждой категории по районам Москвы¶

Распределение средних рейтингов по категориям заведений¶

Картограмма со средним рейтингом заведений каждого района¶

Отображение всех заведений на карте¶

ТОП-15 улиц по количеству заведений¶

Улицы, на которых находится только один объект общепита¶

Количество объектов общественного питания по категориям для улиц с одним заведением¶

Количество посадочных мест по категориям для улиц с одним заведением¶

Соотношение сетевых и несетевых заведений для улиц с одиним объектом общественного питания¶

Картограмма со средним чеком заведений каждого района¶

Детализирование исследования: открытие кофейни¶

Количество кофеен и особенности их расположения¶

Рекомендация¶

Рекомендация¶

Количество круглосуточных кофеен¶

Рекомендация¶

Распределение рейтингов кофеен по районам¶

Рекомендация¶

Рекомендация¶

Cтоимость чашки капучино¶

Рекомендация¶

Презентация¶

Общий вывод¶

	address
1808	Москва, Новодмитровская улица, 5А, стр. 2
6549	Москва, проспект Вернадского, 86В
6560	Москва, проспект Вернадского, 105, корп. 3
7974	Москва, улица Генерала Белова, 23А
3199	Москва, улица Барклая, 10

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street
6533	кувшинчик	ресторан	Москва, улица Академика Анохина, 58	Западный административный округ	пн-чт 12:00–23:00; пт,сб 12:00–00:00; вс 12:00...	55.650398	37.469449	4.6	NaN	NaN	NaN	NaN	0	280.0	улица Академика Анохина
139	шеф бургер	кофейня	Москва, Дмитровское шоссе, 116Д	Северо-Восточный административный округ	ежедневно, 10:00–22:00	55.901734	37.548499	4.1	средние	Средний счёт:300 ₽	300.0	NaN	1	120.0	Дмитровское шоссе

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24/7
1113	кафе при азс	кафе	Москва, Ярославское шоссе, 1, корп. 1	Северо-Восточный административный округ	NaN	55.850798	37.674517	3.5	NaN	NaN	NaN	NaN	0	500.0	Ярославское шоссе	False
4367	авокадо	кафе	Москва, Чистопрудный бульвар, 12к4	Центральный административный округ	пн-сб 10:00–23:00; вс 12:00–23:00	55.761096	37.643383	4.6	выше среднего	Средний счёт:1000–2000 ₽	1500.0	NaN	1	NaN	Чистопрудный бульвар	False
241	алиби	бар,паб	Москва, улица Малыгина, 1, стр. 2	Северо-Восточный административный округ	пн-чт 11:00–00:00; пт-вс 11:00–05:00	55.876348	37.701604	4.4	выше среднего	Цена бокала пива:160–499 ₽	NaN	NaN	0	40.0	улица Малыгина	False
4620	кулинарная лавка братьев караваевых	кафе	Москва, улица Солянка, 4, стр. 4	Центральный административный округ	ежедневно, 08:00–23:00	55.753731	37.637327	4.4	средние	NaN	NaN	NaN	1	30.0	улица Солянка	False
1889	раки beer & wine	бар,паб	Москва, 3-я улица Ямского Поля, 9	Северный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–02:00; вс 12:00...	55.781488	37.581321	4.4	высокие	Средний счёт:2500–4000 ₽	3250.0	NaN	0	60.0	3-я улица Ямского Поля	False

	count
category
кафе	2317
ресторан	2010
кофейня	1377
бар,паб	755
пиццерия	622
быстрое питание	571
столовая	308
булочная	244

	category	seats
8177	кофейня	NaN
4534	кафе	NaN
4533	бар,паб	86.0
36	кафе	21.0
3044	кафе	NaN

	count	total	percent
category
булочная	152	244	62.30
пиццерия	324	622	52.09
кофейня	701	1377	50.91
быстрое питание	219	571	38.35
ресторан	717	2010	35.67
кафе	759	2317	32.76
столовая	87	308	28.25
бар,паб	167	755	22.12

		count
name	category
шоколадница	кофейня	117
домино'с пицца	пиццерия	75
додо пицца	пиццерия	73
one price coffee	кофейня	68
яндекс лавка	ресторан	67
cofix	кофейня	64
prime	ресторан	49
кофепорт	кофейня	42
кулинарная лавка братьев караваевых	кафе	39
теремок	ресторан	34
cofefest	кофейня	31
чайхана	кафе	25
буханка	булочная	25
drive café	кафе	24
кофемания	кофейня	21

	district	total_count
0	Центральный административный округ	2225
1	Северный административный округ	885
2	Северо-Восточный административный округ	874
3	Южный административный округ	853
4	Западный административный округ	831
5	Восточный административный округ	766
6	Юго-Западный административный округ	696
7	Юго-Восточный административный округ	680
8	Северо-Западный административный округ	394

	district	category	count	total_count	share
0	Восточный административный округ	бар,паб	52	766	6.79
1	Восточный административный округ	булочная	23	766	3.00
2	Восточный административный округ	быстрое питание	67	766	8.75
3	Восточный административный округ	кафе	259	766	33.81
4	Восточный административный округ	кофейня	100	766	13.05
5	Восточный административный округ	пиццерия	71	766	9.27
6	Восточный административный округ	ресторан	155	766	20.23
7	Восточный административный округ	столовая	39	766	5.09
8	Западный административный округ	бар,паб	47	831	5.66
9	Западный административный округ	булочная	37	831	4.45
10	Западный административный округ	быстрое питание	60	831	7.22
11	Западный административный округ	кафе	234	831	28.16
12	Западный административный округ	кофейня	147	831	17.69
13	Западный административный округ	пиццерия	70	831	8.42
14	Западный административный округ	ресторан	213	831	25.63
15	Западный административный округ	столовая	23	831	2.77
16	Северный административный округ	бар,паб	67	885	7.57
17	Северный административный округ	булочная	36	885	4.07
18	Северный административный округ	быстрое питание	54	885	6.10
19	Северный административный округ	кафе	234	885	26.44
20	Северный административный округ	кофейня	189	885	21.36
21	Северный административный округ	пиццерия	77	885	8.70
22	Северный административный округ	ресторан	188	885	21.24
23	Северный административный округ	столовая	40	885	4.52
24	Северо-Восточный административный округ	бар,паб	63	874	7.21
25	Северо-Восточный административный округ	булочная	26	874	2.97
26	Северо-Восточный административный округ	быстрое питание	80	874	9.15
27	Северо-Восточный административный округ	кафе	261	874	29.86
28	Северо-Восточный административный округ	кофейня	157	874	17.96
29	Северо-Восточный административный округ	пиццерия	67	874	7.67
30	Северо-Восточный административный округ	ресторан	180	874	20.59
31	Северо-Восточный административный округ	столовая	40	874	4.58
32	Северо-Западный административный округ	бар,паб	22	394	5.58
33	Северо-Западный административный округ	булочная	12	394	3.05
34	Северо-Западный административный округ	быстрое питание	29	394	7.36
35	Северо-Западный административный округ	кафе	110	394	27.92
36	Северо-Западный административный округ	кофейня	60	394	15.23
37	Северо-Западный административный округ	пиццерия	37	394	9.39
38	Северо-Западный административный округ	ресторан	108	394	27.41
39	Северо-Западный административный округ	столовая	16	394	4.06
40	Центральный административный округ	бар,паб	363	2225	16.31
41	Центральный административный округ	булочная	50	2225	2.25
42	Центральный административный округ	быстрое питание	85	2225	3.82
43	Центральный административный округ	кафе	461	2225	20.72
44	Центральный административный округ	кофейня	424	2225	19.06
45	Центральный административный округ	пиццерия	113	2225	5.08
46	Центральный административный округ	ресторан	664	2225	29.84
47	Центральный административный округ	столовая	65	2225	2.92
48	Юго-Восточный административный округ	бар,паб	36	680	5.29
49	Юго-Восточный административный округ	булочная	11	680	1.62
50	Юго-Восточный административный округ	быстрое питание	57	680	8.38
51	Юго-Восточный административный округ	кафе	273	680	40.15
52	Юго-Восточный административный округ	кофейня	82	680	12.06
53	Юго-Восточный административный округ	пиццерия	55	680	8.09
54	Юго-Восточный административный округ	ресторан	141	680	20.74
55	Юго-Восточный административный округ	столовая	25	680	3.68
56	Юго-Западный административный округ	бар,паб	38	696	5.46
57	Юго-Западный административный округ	булочная	26	696	3.74
58	Юго-Западный административный округ	быстрое питание	58	696	8.33
59	Юго-Западный административный округ	кафе	231	696	33.19
60	Юго-Западный административный округ	кофейня	95	696	13.65
61	Юго-Западный административный округ	пиццерия	63	696	9.05
62	Юго-Западный административный округ	ресторан	168	696	24.14
63	Юго-Западный административный округ	столовая	17	696	2.44
64	Южный административный округ	бар,паб	67	853	7.85
65	Южный административный округ	булочная	23	853	2.70
66	Южный административный округ	быстрое питание	81	853	9.50
67	Южный административный округ	кафе	254	853	29.78
68	Южный административный округ	кофейня	123	853	14.42
69	Южный административный округ	пиццерия	69	853	8.09
70	Южный административный округ	ресторан	193	853	22.63
71	Южный административный округ	столовая	43	853	5.04

	category	rating
4520	ресторан	4.4
2605	быстрое питание	4.3
7012	кафе	4.0
3570	ресторан	4.4
916	кафе	4.1

	name
Кафе	189
Шоколадница	120
Домино'с Пицца	76
Додо Пицца	74
One Price Coffee	71
Яндекс Лавка	69
Cofix	65
Prime	50
Хинкальная	44
Шаурма	43
КОФЕПОРТ	42
Кулинарная лавка братьев Караваевых	39
Теремок	38
Чайхана	37
Ресторан	34
CofeFest	32
Буханка	32
Столовая	28
Му-Му	27
Drive Café	24
Кофемания	23
АндерСон	22
Cinnabon	20
Скалка	20
Крошка Картошка	20
French Bakery	20
Тануки	19
Штолле	19
Арамье	18
Хлеб Насущный	17
VASILCHUKÍ Chaihona №1	17
Osteria Mario	16
СушиСтор	16
Кафетерий	15
Моремания	15
Бургер Кинг	14
Pizza Express 24	14
Вареничная № 1	14
МСК Lounge	14
Wild Bean Cafe	13

	index	name
2175	#КешбэкКафе	1
4860	+39 Pizzeria Mozzarella bar	1
5449	1 Этаж	1
1195	1-я Креветочная	1
259	10 Идеальных Пицц	3
3393	1001 Ночь	1
4722	100ловая	1
3387	100лоффка	1
2104	13	1
1204	13 Chef doner	1
4034	15 Kitchen+Bar	1
2513	15-й Шар	1
4324	16 Июня	1
2456	16 Тонн	1
302	18 Грамм	3
4229	1901 Comfort Food Zone	1
4295	1у	1
2681	2 Типа	1
5029	2-й Этаж	1
2724	2046	1
1603	21 Век	1
1954	22 Акра Кофе&Хлеб	1
4985	2U-Ту-Ю	1
4711	3 Ступени	1
3968	351 Bar	1
5004	4 Сезона	1
2868	4.2. Bar	1
1172	4/1 Restaurant	1
1103	42 Coffee Shop	1
4043	47	1
1787	495	1
1677	4friends Coffee	1
4783	4tuna Cafe&Grill	1
2060	5 Stars Coffee	1
3937	55.709201, 37.392257	1
1590	6 Am Bread Kitchen	1
3864	6 Рукопожатий	1
3675	69 раков	1
177	7 Сэндвичей	4
2727	7 элемент	1

	chain
0	5078
1	3126

	street	category	count
0	1-й Автозаводский проезд	кафе	1
1	1-й Балтийский переулок	ресторан	1
2	1-й Варшавский проезд	кафе	1
3	1-й Вешняковский проезд	кафе	1
4	1-й Волоколамский проезд	кафе	1

	street	total
0	проспект Мира	184
1	Профсоюзная улица	117
2	Ленинский проспект	107
3	проспект Вернадского	96
4	Ленинградский проспект	95
5	Дмитровское шоссе	86
6	Каширское шоссе	76
7	Варшавское шоссе	74
8	Ленинградское шоссе	70
9	МКАД	65
10	Люблинская улица	58
11	улица Вавилова	54
12	Кутузовский проспект	53
13	улица Миклухо-Маклая	48
14	Алтуфьевское шоссе	47

	street	total	name	category	district	hours	seats	rating	price	chain
count	455	455.0	455	455	455	428	152.000000	455.000000	182	455.000000
unique	455	NaN	400	8	9	179	NaN	NaN	4	NaN
top	Бесединское шоссе	NaN	кафе	кафе	Центральный административный округ	ежедневно, круглосуточно	NaN	NaN	средние	NaN
freq	1	NaN	20	160	142	30	NaN	NaN	122	NaN
mean	NaN	1.0	NaN	NaN	NaN	NaN	61.184211	4.241319	NaN	0.281319
std	NaN	0.0	NaN	NaN	NaN	NaN	47.689312	0.458457	NaN	0.450138
min	NaN	1.0	NaN	NaN	NaN	NaN	1.000000	1.000000	NaN	0.000000
25%	NaN	1.0	NaN	NaN	NaN	NaN	30.000000	4.100000	NaN	0.000000
50%	NaN	1.0	NaN	NaN	NaN	NaN	45.000000	4.300000	NaN	0.000000
75%	NaN	1.0	NaN	NaN	NaN	NaN	80.000000	4.500000	NaN	1.000000
max	NaN	1.0	NaN	NaN	NaN	NaN	240.000000	5.000000	NaN	1.000000

	category	count
0	столовая	80.0
1	булочная	74.0
2	ресторан	74.0
3	быстрое питание	66.0
4	бар,паб	66.0
5	пиццерия	60.0
6	кофейня	50.0
7	кафе	46.0

	distance_center	middle_avg_bill
0	0.0	1175.000000
1	1.0	1387.283951
2	2.0	1336.009375
3	3.0	1042.500000
4	4.0	1029.479554

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	seats	street	is_24/7	distance_center
1372	назис пури	кофейня	Москва, Люблинская улица, 61	Юго-Восточный административный округ	ежедневно, 09:00–22:00	55.684103	37.738588	4.5	NaN	NaN	NaN	NaN	NaN	Люблинская улица	False	11.0
1373	квадрат кофе	кофейня	Москва, Волгоградский проспект, 73, стр. 1	Юго-Восточный административный округ	пн-пт 08:30–21:30; сб,вс 09:00–21:30	55.709710	37.744450	4.2	NaN	Цена чашки капучино:100–220 ₽	NaN	160.0	206.0	Волгоградский проспект	False	9.0
1374	шоколад имбирь корица	кофейня	Москва, Грайвороновская улица, 23	Юго-Восточный административный округ	пн-пт 09:30–19:30	55.721213	37.740755	4.1	NaN	NaN	NaN	NaN	NaN	Грайвороновская улица	False	8.0
1375	cafio	кофейня	Москва, Новохохловская улица, 49	Юго-Восточный административный округ	пн-пт 07:00–22:00; сб,вс 07:00–21:00	55.724357	37.716415	4.7	NaN	Цена чашки капучино:80–120 ₽	NaN	100.0	NaN	Новохохловская улица	False	7.0
1376	практика кофе	кофейня	Москва, Чонгарский бульвар, 26А, корп. 1	Юго-Западный административный округ	пн-пт 08:00–22:00; сб,вс 09:00–22:00	55.654289	37.600722	4.4	NaN	NaN	NaN	NaN	55.0	Чонгарский бульвар	False	11.0

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24/7	distance_center	category_name
2101	prime	ресторан	Москва, 3-я улица Ямского Поля, 2к13	Северный административный округ	пн-пт 08:00–20:00	55.781379	37.582584	3.9	NaN	NaN	NaN	NaN	1	NaN	3-я улица Ямского Поля	False	4.0	другая категория
5682	иван дурдинъ	бар,паб	Москва, Мичуринский проспект, 8с2	Западный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–02:00; вс 12:00...	55.705574	37.511041	4.6	NaN	NaN	NaN	NaN	0	NaN	Мичуринский проспект	False	8.0	другая категория
3731	кулинарная лавка братьев караваевых	кафе	Москва, 1-я Брестская улица, 29	Центральный административный округ	ежедневно, 08:00–23:00	55.771704	37.590909	4.3	средние	Средний счёт:350 ₽	350.0	NaN	1	45.0	1-я Брестская улица	False	3.0	другая категория
3432	френч бистро	быстрое питание	Москва, Столярный переулок, 3к5	Центральный административный округ	пн-пт 09:00–17:00	55.763524	37.569291	4.1	средние	Средний счёт:350 ₽	350.0	NaN	0	NaN	Столярный переулок	False	3.0	другая категория
1441	coffeeizm	кофейня	Москва, улица Космонавта Волкова, 6А	Северный административный округ	пн-пт 09:00–18:00	55.815522	37.513148	4.3	NaN	Средний счёт:300–350 ₽	325.0	NaN	0	180.0	улица Космонавта Волкова	False	10.0	кофейня

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24/7	distance_center
0	dormouse coffee shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	улица Маршала Федоренко	False	17.0
1	в парке вкуснее	кофейня	Москва, парк Левобережный	Северный административный округ	ежедневно, 10:00–21:00	55.878453	37.460028	4.3	NaN	NaN	NaN	NaN	1	NaN	парк Левобережный	False	17.0
2	9 bar coffee	кофейня	Москва, Коровинское шоссе, 41, стр. 1	Северный административный округ	пн-пт 08:00–18:00	55.885837	37.513422	4.0	NaN	NaN	NaN	NaN	1	46.0	Коровинское шоссе	False	16.0
3	cofefest	кофейня	Москва, улица Маршала Федоренко, 6с1	Северный административный округ	пн-пт 09:00–19:00	55.879934	37.492522	3.6	NaN	NaN	NaN	NaN	1	NaN	улица Маршала Федоренко	False	16.0
4	cofix	кофейня	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 08:00–22:00	55.878531	37.479395	3.8	NaN	NaN	NaN	NaN	1	NaN	улица Дыбенко	False	17.0

	district	rating
5	Центральный административный округ	4.33
4	Северо-Западный административный округ	4.31
2	Северный административный округ	4.29
7	Юго-Западный административный округ	4.29
0	Восточный административный округ	4.28
8	Южный административный округ	4.24
3	Северо-Восточный административный округ	4.22
6	Юго-Восточный административный округ	4.22
1	Западный административный округ	4.19